Covariate balancing propensity score by tailored loss functions
通过定制损失函数实现协变量平衡的倾向得分估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论观察性研究、倾向得分、逆概率加权和处理效应估计，直接属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过定制损失函数实现协变量平衡的倾向得分估计
- 研究问题
- 研究如何在观察性研究中估计倾向得分，使高维处理前协变量得到更好平衡，并改善加权平均处理效应估计。
- 方法与思路
- 作者以协变量平衡评分规则替代似然目标，其形式由广义线性模型链接函数和目标效应决定，并引入丰富函数类的平衡策略。
- 材料陈述的贡献
- 摘要称该方法相较伯努利似然不损失处理效应估计的渐近效率，并提供有限样本偏差评估及诚实置信区间的构造思路。
- 阅读关注点
- 应核对因果识别条件、评分规则与目标效应的对应关系，以及最大偏差界和诚实置信区间所依赖的函数类限制。
- 阅读边界
- 仅据版本未注明的索引摘要；有限样本稳健性及置信区间保证的具体条件未说明，也不能推断刊本变化。
原文摘要
In observational studies, propensity scores are commonly estimated by maximum likelihood but may fail to balance high-dimensional pretreatment covariates even after specification search. We introduce a general framework that unifies and generalizes several recent proposals to improve covariate balance when designing an observational study. Instead of the likelihood function, we propose to optimize special loss functions—covariate balancing scoring rules (CBSR)—to estimate the propensity score. A CBSR is uniquely determined by the link function in the GLM and the estimand (a weighted average treatment effect). We show CBSR does not lose asymptotic efficiency in estimating the weighted average treatment effect compared to the Bernoulli likelihood, but CBSR is much more robust in finite samples. Borrowing tools developed in statistical learning, we propose practical strategies to balance covariate functions in rich function classes. This is useful to estimate the maximum bias of the inverse probability weighting (IPW) estimators and construct honest confidence intervals in finite samples. Lastly, we provide several numerical examples to demonstrate the tradeoff of bias and variance in the IPW-type estimators and the tradeoff in balancing different function classes of the covariates.